🔍 耿同学打假报告

论文信息

• 标题：蛋白质多类型结合位点预测研究：基于边感知图神经网络的方法与系统实现
• 作者：杨维森
• 期刊/机构：景德镇陶瓷大学硕士学位论文
• DOI：未提供
• 发表年份：推测为 2025/2026 年（基于参考文献年份）
• 论文来源：蛋白质多类型结合位点预测研究：基于边感知图神经网络的方法与系统实现_杨维森.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据异常重复（随机数生成器都不如）

• 位置：表 3-4（1H9D_A 预测的高置信度蛋白质结合位点）/ Page 41
• 描述：在预测 DNA/RNA 结合位点的案例中，表 3-4 列出的残基 ASP 66 和 LEU 62 的平均预测概率（mean_probability）竟然完全一致，精确到了小数点后四位：0.9558。
• 证据：在真实的深度学习模型推理过程中，两个不同位置、不同理化性质的氨基酸残基（天冬氨酸 vs 亮氨酸），其经过多层图注意力网络计算后输出的 Sigmoid 概率值，能在小数点后 4 位实现 100% 完全重合的概率极低。这通常是把数据拉进 Excel 里手动编造或复制粘贴时不小心留下的“马脚”。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：统计评价指标的逻辑割裂

• 位置：表 3-2（Edge-aware GAT 模型在五类结合位点预测任务上的性能指标）/ Page 36
• 描述：在 DNA/RNA 结合位点的预测结果中，模型展现出极高的整体区分能力（ROC-AUC = 0.933）和不错的精确率-召回率曲线下面积（PR-AUC = 0.765）。但是，该类别的 F1 分数却仅有 0.512。
• 证据：PR-AUC 高达 0.765 说明模型绝对具备在各个阈值下平衡 Precision 和 Recall 的潜力。在表 3-1 的算法流程中，作者声明使用的是固化的 0.5 作为判定阈值。如果 PR-AUC 有 0.765，却用 0.5 阈值得到了低至 0.512 的 F1 分数，意味着作者根本没有去寻找最优阈值，或者这个 PR-AUC 的数值存在水分。真实实验中，通常会报告在最佳阈值下的 F1 或单独列出 Precision 和 Recall，这种“高分低能”的数据组合略显生硬。
• 严重程度：🟡
• 复核状态：✅ 成立

⚠️ 发现 3：无法进行像素级图片审查

• 位置：Figure 3-1 至 Figure 4-4
• 描述：本文为纯文本提取格式，未提供原始的高清图片文件。
• 证据：根据学术打假常规流程，Western Blot、显微镜图、甚至损失函数曲线图都需要进行像素级噪点比对和 PS 痕迹分析。由于当前文本中未包含足够的原始图片信息，无法进行“一图多用”和“图片拼接”的实锤检测。
• 严重程度： informational
• 复核状态：⚠️ 依据不足

发现 4：引用与时间线逻辑（真实有效）

• 位置：参考文献列表 / 全文
• 描述：基于当前日期（2026-06-25），重点核查了文献的时间线。文中引用了大量 2025 年和 2026 年（如文献[21] PLOS Comput Biol 2026; 文献[38] 2026）的最新研究。
• 证据：这些文献的卷期号逻辑与截至 2026 年中的时间线是自洽的。此外，实验环境使用了 RTX 4090 显卡，符合近两年深度学习科研算力的常规配置，未发现使用“未来设备”或已停产老古董的异常现象。Web系统部署描述的并发瓶颈（单卡 4090 跑 Flask 挂载深度学习模型，10-20人并发时响应3秒，50人崩溃）极其符合真实工程落地的表现。
• 严重程度：✅
• 复核状态：✅ 成立

耿同学辣评

系统开发部分写得挺像那么回事儿，单卡 4090 跑并发被 50 个用户挤崩的画面太有画面感了，工程量是实打实做了的。但是！表 3-4 里那俩不同的氨基酸（ASP66 和 LEU62）算出来的 Sigmoid 概率在小数点后 4 位严丝合缝地对上（0.9558），深度学习模型又不是你肚子里的蛔虫，哪能精确到这份上？这大概率是建表的时候 Ctrl+C 和 Ctrl+V 按串行了。此外，表 3-2 里 DNA/RNA 结合位点的评价指标存在明显的逻辑冲突，PR-AUC 高达 0.765 却用 0.5 阈值跑出仅有 0.512 的 F1 分数，说明作者对模型评估指标的理解可能流于表面，或者干脆就是凑数据露了馅。搞工程落地值得鼓励，但在学术严谨性和数据真实性上可千万不能糊弄！

建议后续行动

• 联系作者要求提供 1H9D_A 蛋白质推理的原始日志文件，核实 ASP66 和 LEU62 的真实概率输出。
• 建议作者公开代码库或补充说明表 3-2 中各评价指标（特别是 F1 和 PR-AUC）的具体计算逻辑与阈值选择依据。
• （ Optional ）如果在 PubPeer 或相关学术平台讨论，可针对表 3-4 的概率重合现象及表 3-2 的数据割裂问题提出友善的疑问。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。